很多人第一次聽到「AI 合成資料」，會把它理解成「把個資改名、換一組數字」，或認為只要資料不是某個人的原始紀錄，就一定安全。這兩個直覺都不夠準確。合成資料的核心，是用規則、統計模型、模擬器或生成模型，產生資料，讓它保留某些有用的模式；它可以降低蒐集與標註成本，卻不會自動帶來匿名、正確或公平的保證。 一、AI 合成資料到底是什麼？ 簡單說，合成資料是「為特定目的而生成的資料」。目的不同，生成方式也不同：工程師可以在 3D 模擬器裡安排車輛、光線與障礙物，產生影像及對應標註；資料分析師可以用統計模型學習年齡、交易金額與事件之間的分布，再抽樣出新的表格；也可以用生成式 AI 產生文字、圖片或對話。NVIDIA 的官方說明也把電腦模擬、生成式 AI，或兩者結合作為合成資料生成方式。 所以，合成資料不等於「LLM 寫出來的資料」。一張由物理引擎算出的碰撞影像、一份依統計分布抽樣的表格，都可屬於合成資料。它也不一定要模仿某一批個人紀錄；有些資料是依規則從零設計，重點是滿足測試情境或涵蓋罕見案例。 原創 AI 概念插圖，非數據：生成的範例可以多樣化，仍需檢查內容是否符合任務。 二、它和假資料、測試資料、匿名資料有何不同？ 「假資料」是日常用語，可能只指隨手填的錯誤或虛構內容；「測試資料」則按測試目的準備，既可能是真實資料的遮罩副本，也可能是合成資料。合成資料描述的是產生來源與方法，不保證用途。匿名資料則是隱私概念：要判斷是否仍可合理地連回個人，必須看重識別風險、組合欄位、使用情境與可取得的外部資料。 因此，一份看似全新的合成表格，若過度複製少數真實紀錄、保留罕見組合，或生成流程能被反推，仍可能洩露資訊。合成資料可以是資料隱私策略的一部分，卻不是匿名化的同義詞；也不能因為沒有姓名、電話，就宣稱「已匿名」。英國 ICO 的 AI 與資料保護指引以英國資料保護制度為脈絡，提醒 AI 生命週期要同時處理合法性、公平、準確性、資料最小化與安全等問題，不能只看資料格式。實際法規要求仍須按所在地與用途確認。 三、合成資料能解決哪些問題？ 它常用來補足「難收集、難標註、太敏感或太少見」的場景。例如機器人訓練需要大量不同角度的物件影像，真實拍攝昂貴；客服分類可能只有少量「帳單爭議」或「疑似詐騙」案例，合成資料可先擴充語句變化，作為 AI 訓練資料的一部分，供分類器做開發與錯誤排查。軟體團隊也能用不含真實客戶內容的虛構資料測試匯入、權限與例外流程。 但它的價值是「針對目標任務的可用性」，不是資料越多越好。生成前先寫清楚欄位、標籤、預期分布與不能出現的內容；生成後比較統計分布、欄位關聯、重複與極端值，再用獨立、具代表性的真實驗證集測試模型。若用合成資料訓練，又用同一套生成規則驗收，結果容易過度樂觀。 四、虛構客服案例：可以用，但不能冒充實測 假設團隊要把客服訊息分成「退款、配送、帳戶、安全」四類。可以先製作一批明確標註的虛構句子，例如：「包裹顯示送達但我沒收到」或「登入時收到陌生驗證碼」，用來測試欄位格式、分類流程與初步模型。這些句子可以由模板、人工撰寫或語言模型協助產生；統計抽樣則可協助安排類別與情境分布。 接著要檢查：四類是否比例失真？是否只會處理標準書面語，遇到錯字、口語、簡短訊息就失效？安全類是否包含足夠但不危險的變化？標籤是否有模糊案例？最重要的是，把它標記為「合成開發資料」，再以取得適當授權、去除不必要個資的真實歷史訊息，以及人工設計的獨立測試案例驗收。人工設計案例能補充邊界測試，但不能單靠它證明真實世界表現。不能把合成資料的準確率寫成「已在真實客戶上實測」，也不能把虛構客服對話當成真實客戶聲音。 原創 AI 概念插圖，非數據：合成資料生成後，仍需獨立參考資料與人工覆核，不代表任何實測結果。 五、三個常見限制：不自動安全、不自動均衡、不自動無版權 第一，隱私風險不會因「人工生成」消失。若模型記住訓練樣本，可能產生近似內容；若罕見群體被原樣重現，重新識別風險仍需評估。第二，合成資料不自動均衡。若原始資料偏斜，生成器可能把偏斜放大；即使刻意補足少數類別，也要確認補出的例子符合真實任務，而不是製造不自然的模式。公平要透過分組指標、案例檢查與實際使用情境驗證。 第三，合成資料不自動免除版權、合約或內容來源責任。資料的來源、適用授權與服務條款、輸出是否近似受保護內容，都可能影響可用範圍。治理紀錄至少應留下生成方法、來源資料類型、版本、篩選規則、已知限制與核准用途。NIST AI 風險管理框架提供的方向是把可信任性納入設計、開發、使用與評估，而非只在上線前做一次檢查。 六、模型崩潰提醒：保留真實資料與驗證鏈 「模型崩潰」不是「用了合成資料就一定崩潰」。Nature 於 2024 年刊登的原始研究討論的是特定遞迴情境：後一代模型使用前一代模型產生的資料訓練，生成內容反覆回流，資料分布的尾端可能逐步消失，模型最後偏離原本的分布。研究同時指出，原始、由人類產生的資料在這類學習任務中仍很重要。 實務上的對策不是拒絕所有合成資料，而是避免把未標記的生成內容當成天然可靠的真實世界。保留來源清楚的真實資料，混合使用時記錄比例與版本；對合成資料做重複、近似、偏差與隱私檢查；用獨立資料驗證；對模型輸出持續監測。這些是風險管理做法，不是防止所有問題的保證。合成資料應是可追溯的工具，而不是替代現實的捷徑。 常見問題 FAQ 合成資料一定沒有個資嗎？ 不一定。它可能降低直接對應個人的機會，但仍可能記憶或重現罕見特徵。是否涉及資料隱私，要依生成流程、輸入資料、輸出內容與重識別測試判斷。 可以只用合成資料訓練與測試嗎？ 有些模擬任務可以先這樣開發，但不能因此推論真實世界表現。至少要保留獨立驗證資料，檢查分布落差、少數案例與實際使用錯誤；真實用途仍需相應的實際情境驗證。 合成資料會造成模型崩潰嗎？ 研究警告的是未加區分、遞迴使用模型生成資料的特定情境，不是所有合成資料。來源標記、真實資料保留、篩選策略與獨立驗證，有助於發現並管理把偏差一代代放大的風險。
